تخمين بيشترين عمق آبشستگي در اطراف پايه‌ي پل تحت اثر انباشت موانع با استفاده از مدل NFGMDH و الگوريتم هاي تكاملي

انباشت موانع شناور جريان رودخانه‌ها، نظير تنه و شاخ و برگ درختان منجر به افزايش عمق آبشستگي موضعي در اطراف پايه‌هاي پل مي‌شود. تاكنون جهت درك ساز‌و‌كار پديده آبشستگي تحت اثر موانع شناور، مطالعات آزمايشگاهي و ميداني بسياري انجام‌شده است. در دو دهه‌ي اخير از انواع روش‌هاي هوش مصنوعي جهت تخمين بيش‌ترين عمق آبشستگي در اطراف پايه پل استفاده‌شده است. در اين مطالعه از مدل فازيعصبي مبتني بر روش دسته‌بندي گروهي داده‌ها (NFGMDH) جهت تخمين آب شستگي تحت اثر انباشت موانع استفاده شد. شبكه NFGMDH با استفاده از الگوريتم‌هاي تكاملي شامل الگوريتم وراثتي (GA)، الگوريتم بهينه‌ساز ازدحام ذرات (PSO) و الگوريتم جستجوي گرانشي (GSA) توسعه داده شد. پارامترهاي مؤثر بر حداكثر عمق آبشستگي به‌صورت سرعت متوسط جريان بالادست پايه پل، سرعت بحراني رسوبات بستر رودخانه، عمق جريان در مقطع بدون حضور موانع، ضخامت مستغرق موانع، قطر موانع، اندازه متوسط ذرات، قطر پايه و عرض كانال در نظر گرفته شد. بعد از انجام مراحل آموزش و آزمايش هر مدل NFGMDH، عملكرد آن‌ها با استفاده از شاخص‌هاي آماري ارزيابي شد. نتايج نشان داد كه مدل‌هاي پيشنهادي داراي عملكرد بهتر نسبت به روابط تجربي است. همچنين دو مدل NFGMDHPSO (0.84=R و 37/ 0=RMSE) و NFGMDHGA (0.8407=R و 0.3640=RMSE) داراي عملكرد مشابه بودند. در نهايت آناليز حساسيت نشان داد كه نسبت بدون بعد قطر پايه (D) به‌اندازه متوسط ذرات (d50) بيشترين تأثير را در تعيين پارامتر حداكثر عمق آبشستگي دارد.